CN114068036A - 一种基于物联网感知的传染传播预测方法及系统 - Google Patents
一种基于物联网感知的传染传播预测方法及系统 Download PDFInfo
- Publication number
- CN114068036A CN114068036A CN202111366403.4A CN202111366403A CN114068036A CN 114068036 A CN114068036 A CN 114068036A CN 202111366403 A CN202111366403 A CN 202111366403A CN 114068036 A CN114068036 A CN 114068036A
- Authority
- CN
- China
- Prior art keywords
- information
- propagation
- obtaining
- perception
- infection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物联网感知的传染传播预测方法和系统,方法包括:根据第一信息采集模块,获得第一地区的第一密切接触人群信息;获得第一定位感知信息;获得第一社交感知信息;构建物联网感知模型,其中,物联网感知模型包括第一预处理功能;获得第一行动轨迹,第一行动轨迹为感染者行动轨迹;将第一密切接触人群进行反聚集分析,获得多个传染聚集点;进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;根据ARIMA模型进行预测,获得第一预测信息,获得第一传播信息。解决了现有技术中由于应用环境的复杂性,感知技术的不完善,导致存在感知速度和感知准确性较低的技术问题。
Description
技术领域
本发明涉及感知物联网相关技术领域,具体涉及一种基于物联网感知的传染传播预测方法及系统。
背景技术
物联网是从应用出发,利用互联网、无线通信网络资源进行业务信息的传送,是互联网、移动通信网应用的延伸,是自动化控制、遥控遥测及信息应用技术的综合体现。从物联网体系结构解读物联网,可分为四个层次:感知技术、传输技术、支撑技术、应用技术。其中感知技术是指用于物联网底层感知信息的技术,包括射频识别技术、传感器技术、GPS定位技术、多媒体信息采集技术及二维码技术等。感知技术的发展和应用对于物联网的真正实现有着重大的意义。
很多传染疾病由于其传播途径多样化,防治环境复杂化,导致存在不可控的风险。通过物联网感知技术,研究传染疾病的传播途径,对于传染疾病的防控有着强大的发展潜力。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中由于应用环境的复杂性,感知技术的不完善,导致存在感知速度和感知准确性较低的技术问题。
发明内容
本申请实施例通过提供了一种基于物联网感知的传染传播预测方法及系统,解决了现有技术中由于应用环境的复杂性,感知技术的不完善,导致存在感知速度和感知准确性较低的技术问题。通过调用并存储密切接触人群的位置和社交关系,根据密切接触人群的行动轨迹进行分析,得到多个传染聚集点并构建分布特征,进而利用ARIMA模型对分布特征进行智能化分析,得到预测的传播信息,最后依据预测结果进行预防。因为利用群体协作将各感知设备有机协调起来,并利用智能化模型对传播途径进行预测,达到了得到感知速度和感知准确性较高的技术效果。
鉴于上述问题,本申请实施例提供了一种基于物联网感知的传染传播预测方法及系统。
第一方面,本申请实施例提供了一种基于物联网感知的传染传播预测方法,其中,所述方法应用于一种地区性传染人群智能分析系统,所述系统包括一信息采集模块,所述方法包括:根据第一信息采集模块,获得第一地区的第一密切接触人群信息;通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;根据所述第一预测信息,获得第一传播信息。
另一方面,本申请实施例提供了一种基于物联网感知的传染传播预测系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于根据第一信息采集模块,获得第一地区的第一密切接触人群信息;第二获得单元,所述第二获得单元用于通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;第三获得单元,所述第三获得单元用于通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;第一构建单元,所述第一构建单元用于根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;第四获得单元,所述第四获得单元用于根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;第五获得单元,所述第五获得单元用于根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;第一确定单元,所述第一确定单元用于通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;第六获得单元,所述第六获得单元用于根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;第七获得单元,所述第七获得单元用于根据所述第一预测信息,获得第一传播信息。
第三方面,本申请实施例提供了一种基于物联网感知的传染传播预测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一信息采集模块,获得第一地区的第一密切接触人群信息;通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;根据所述第一预测信息,获得第一传播信息的技术方案,通过调用并存储密切接触人群的位置和社交关系,根据密切接触人群的行动轨迹进行分析,得到多个传染聚集点并构建分布特征,进而利用ARIMA模型对分布特征进行分析,得到预测的传播信息,最后依据预测结果进行预防。因为利用群体协作将各感知设备有机协调起来,并利用智能化模型对传播途径进行预测,达到了得到感知速度和感知准确性较高的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1本申请实施例一种基于物联网感知的传染传播预测方法流程示意图;
图2本申请实施例另一种基于物联网感知的传染传播预测方法流程示意图;
图3本申请实施例另一种基于物联网感知的传染传播预测方法流程示意图
图4本申请实施例另一种基于物联网感知的传染传播预测方法流程示意图
图5为本申请实施例一种基于物联网感知的传染传播预测系统结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一构建单元14,第四获得单元15,第五获得单元16,第一确定单元17,第六获得单元18,第七获得单元19,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种基于物联网感知的传染传播预测方法及系统,现有技术中由于应用环境的复杂性,感知技术的不完善,导致存在感知速度和感知准确性较低的技术问题。通过调用并存储密切接触人群的位置和社交关系,根据密切接触人群的行动轨迹进行分析,得到多个传染聚集点并构建分布特征,进而利用ARIMA模型对分布特征进行分析,得到预测的传播信息,最后依据预测结果进行预防。因为利用群体协作将各感知设备有机协调起来,并利用智能化模型对传播途径进行预测,达到了得到感知速度和感知准确性较高的技术效果。
申请概述
物联网是从应用出发,利用互联网、无线通信网络资源进行业务信息的传送,是互联网、移动通信网应用的延伸,是自动化控制、遥控遥测及信息应用技术的综合体现。从物联网体系结构解读物联网,可分为四个层次:感知技术、传输技术、支撑技术、应用技术。其中感知技术是指用于物联网底层感知信息的技术,包括射频识别技术、传感器技术、GPS定位技术、多媒体信息采集技术及二维码技术等。感知技术的发展和应用对于物联网的真正实现有着重大的意义。很多传染疾病由于其传播途径多样化,防治环境复杂化,导致存在不可控的风险。通过物联网感知技术,研究传染疾病的传播途径,对于传染疾病的防控有着强大的发展潜力。但现有技术中由于应用环境的复杂性,感知技术的不完善,导致存在感知速度和感知准确性较低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于物联网感知的传染传播预测方法,其中,所述方法应用于一种地区性传染人群智能分析系统,所述系统包括一信息采集模块,所述方法包括:根据第一信息采集模块,获得第一地区的第一密切接触人群信息;通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;根据所述第一预测信息,获得第一传播信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于物联网感知的传染传播预测方法,其中,所述方法应用于一种地区性传染人群智能分析系统,所述系统包括一信息采集模块,所述方法包括:
S100:根据第一信息采集模块,获得第一地区的第一密切接触人群信息;
具体而言,所述第一信息采集模块指的是对需研究传染病相关信息进行信息采集的设备调控中心。进一步的,采集信息的来源包括但不限于:传染病事发地点、传染病事发周边高危地、传染病事发地流通过的人群、传染病事发地流通人群的后续途径位置等;采集信息的设备包括但不限于:传感器、GPS定位技术、多媒体信息采集、二维码监控等方式。所述第一地区指的是需研究传染病的高发区域;所述第一密切接触人指的是需研究传染病的高发区域的人群和与他们密切接触的人群,例如家人,亲朋等在所述第一信息采集模块中显示有过接触的所有人群。通过所述第一信息采集模块,确定所述第一密切接触人群的身份信息,为后步精准的监控防治提供了方向。
S200:通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;
S300:通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;
具体而言,所述第一定位感知信息指的是在确定所述第一密切接触人群的身份信息之后,对这类人群进行实时监控,对所述第一密切接触人群的位置实时上传存储。可选的一种实现方式是将所述第一密切接触人群途径位置,根据传染疾病的病发状况,将相近病发状况位置归类为一种区域,并将位置信息和其对应一一存储。
进一步的,所述第一社交感知信息指的是基于所述第一信息采集装置采集到的所述第一密切接触人群的家人、工作、朋友等信息结合所述第一定位感知信息收集到的所述第一密切基础人群实时的社交网络。通过将所述第一密切接触人群的实时位置和社交信息监控,可实时把控其行动轨迹,保障传染病在可控制的区域范围内。
S400:根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;
具体而言,所述物联网感知模型指的是基于群体协作的逻辑,将所述第一信息采集模块中所有的移动群智感知设备进行联立建立的用于追踪所述第一密切接触人群行动轨迹的模型。其中群体协作在此处指的是所有的参与者进行双向甚至多向交互,达到整体协调,高效完成任务的技术目的;移动群智感知设备在此处指的是所述第一信息采集模块中用来采集信息的设备,包括但不限于:传感器、GPS定位技术、多媒体信息采集、二维码监控等。而群体协作中的参与者包括所述第一信息采集模块中用来采集信息的设备、所述第一密切接触人群和所述第一密切接触人群所处的区域等。所述第一预处理功能指的是在所述物联网感知模型发现所述第一密切接触人群变现异常的时候,即可采取相应的防治措施,可选的为进行隔离等方式。通过群体协作的方式将所述第一信息采集模块中用来采集信息的设备、所述第一密切接触人群和所述第一密切接触人群所处的区域相互联立,使得构成了一个协调工作的整体,可以提高对于所述第一密切接触人群的行动轨迹追踪;而所述第一预处理功能则保障了在所述第一密切接触人群出现突发状况时,可以有效的得到防治。
S500:根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;
S600:根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;
具体而言,所述第一输出感知信息指的是所述物联感知模型在获得所述第一定位感知信息和所述第一社交感知信息之后,基于群体协作的方式将所述第一信息采集模块中用来采集信息的设备、所述第一密切接触人群和所述第一密切接触人群所处的区域相互联立,可以实时的掌握所述第一密切接触人群的行动轨迹。
进一步的,由于所述第一预处理功能的存在,可以将出现异常的所述第一密切接触人群筛选出来,即为所述感染者,更进一步的,将所述感染者的行动轨迹和所述感染者实时一一追踪存储,即为所述第一行动轨迹。更进一步的,所述反聚集分析指的是依据所述第一行动轨迹可以回推所述感染者是在何处何时被感染,即所述第一密切接触人群出现异常状况的时间节点和位置信息,将所有得到的聚集点和对应的所述感染者一一存储,组成所述多个传染聚集点。
通过所述物联网感知模型可以将所述感染者从所述第一密切接触人群中筛选出来,并且可以通过反聚集分析进行回归运算,得到所述感染者的感染位置和感染时间,多个感染者的感染位置和感染时间组成所述传染聚集点,而在这些所述传染聚集点聚集过的人群将会具有被感染的风险,在相同时间相同位置聚集过的人群将会有更高的风险被感染,对于这两类人群需要实时监控。
S700:通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;
具体而言,将所述多个传染聚集点的信息分解为所述传染聚集点和所述传染时间点,因为一个所述传染聚集点可能会有一到多个所述传染时间点,而一个传染时间点也可能会有一到多个所述传染聚集点,此为多对多的形式。因此优选的使用矩阵的形式将所述传染聚集点和所述传染时间点进行存储,举不设限制的一例,横向表示一个所述传染聚集点上对应的所有所述传染时间点,而竖向表示一个所述传染时间点上对应的所有所述传染聚集点。基于此,所述传染聚集点分析指的是在控制所述传染聚集点一定时,统计每一个所述传染时间对应的和所述感染者聚集的人群信息,为所述第一时间分布特征;所述传染时间点分析指的是在控制所述传染时间点一定时,统计每一个所述传染聚集点对应的和所述感染者聚集的人群信息,为所述第一聚集分布特征。
S800:根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;
S900:根据所述第一预测信息,获得第一传播信息。
具体而言,所述ARIMA模型指的是差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一,时间序列分析是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。
通过所述第一聚集分布特征和所述第一时间分布特征中显示的每一个所述传染聚集点和所述传染时间对应的,和所述感染者聚集的人群信息,可以预测到新的密切接触者的信息。
此外,也可根据所述感染者在所述第一聚集分布特征和所述第一时间分布特征组成的矩阵中,依据前后所述传染聚集点和所述传染时间之间的移动关系联立所述感染者的行动轨迹习惯,推测出未曾监控到的可能所述传染聚集点和可能所述传染时间,进而推测出可能的密切接触者信息。进而组成所述第一预测信息,所述第一传播信息指的是基于所述第一预测信息确定需要持续监控的新的密切接触者的身份信息,并做出相对应的防治措施。通过所述第一聚集分布特征和所述第一时间分布特征可以得到能监控到的密切接触者信息,也可以推理得到没监控到的可能密切接触者信息,从而使得最终结果达到了更加准确而全面的技术效果。
进一步的,基于所述根据所述第一预测信息,获得第一传播信息,如图2所示,所述方法还包括步骤S1000:
S1010:获得所述第一地区的第一人口分布特征;
S1020:根据所述第一人口分布特征,确定第一传播影响因子;
S1030:获得所述第一地区的第一区域结构特征;
S1040:根据所述第一区域结构特征,确定第二传播影响因子;
S1050:根据所述第一传播影响因子和所述第二传播影响因子对所述第一预测信息进行修正,获得第二预测信息。
具体而言,所述第一地区的第一人口分布特征指的是所述第一地区中包括各位置人群的分布密度、医疗水平等在内的信息集合;由于所述第一人口分布特征对传染病的感染存在一定的影响,例如人群的分布密度越大,则传播越高风险,医疗水平越差,传播水平越高等。所述第一传播影响因子是依据所述第一人口分布特征和传染病之间的关联性构建的作用参数。所述第一地区的第一区域结构特征指的是所述第一地区中的包括各位置的温度、湿度等地理位置信息在内的信息集合;由于所述第一区域结构特征也可影响传染病的干然,例如湿度越大,人体免疫力越弱,越容易感染。所述第二传播影响因子是依据所述第一区域结构特征和传染病之间的关联性构建的作用参数。
进一步的,通过所述第一传播影响因子和所述第二传播影响因子对所述第一预测信息进行修正,修正方式举不设限制的一例:若是所述传染聚集点一比所述传染聚集点二的人群分布密度要大,则表明所述传染聚集点一的聚集人群传播风险要大于所述传染聚集点二,具体的数值根据传染病的类别实际而定,在此不做限定。修正后得到所述第二预测信息,所述第二预测信息可以显示出所述密切接触人群的感染风险强弱,依据感染风险的强弱可以针对性的做出对应的监控和防治措施,保证抑制传染病的传播。
进一步的,基于所述根据第一信息采集模块,获得第一地区的第一密切接触人群信息之后,如图3所示,所述方法还包括步骤S1100:
S1110:通过对所述第一密切接触人群按照传播深度进行划分,生成多层级接触人群;
S1120:通过对所述多层级接触人群中的每一层级的接触人群进行数量分析,获得第一传播趋势;
S1130:根据所述第一传播趋势和第三传播影响因子,获得第二传播趋势;
S1140:判断所述第二传播趋势是否处于预设传播趋势阈值中;
S1150:若所述第二传播趋势不处于预设传播趋势阈值中,获得第一提醒信息。
具体而言,所述传播深度指的是感染的程度强弱,感染的强弱程度依据所述感染者的身体实际状况而定,身体状况越差,层级越深;也可依据感染次数而定,例如首次感染,二次感染等,二次感染的层级深度高于首次感染的层级深度。进一步的,基于所述传播深度,对所述第一密切接触人群进行划分,得到所述多层级接触人群;更进一步的,可以简单的推理得到,层级越深的人群,感染风险就越大,其传播趋势就越大,所述第一传播趋势指的是对所述多层级接触人群进行分析得到的每一层级接触人群的感染风险大小。
进一步的,所述第三传播影响因子即使表征心理状态和传染风险大小关联性的作用参数;所述第二传播趋势指的是基于所述第三传播影响因子,对所述第一传播趋势进行修正,得到全面表征所述多层级接触人群每一个层级中的人群感染传染病风险的信息;更进一步的,所述预设传播趋势阈值指的是预设的所述多层级接触人群每一个层级中的人群感染传染病风险值,当超过这个风险值时,则该层级的接触人群存在感染风险,则发出所述第一提醒信息,提醒对这一层级用户重点监控防治。通过利用所述传播深度将所述第一密切接触人群分层级,一者对于传染疾病的防治而言,更具有针对性,效果会更好;二者对于数据处理而言,简化了需要处理的信息数据量,提高了处理效率。
进一步的,基于所述根据所述第一传播趋势和第三传播影响因子,获得第二传播趋势,所述方法步骤S1130还包括:
S1131:获得第一人群标识规则;
S1132:按照所述第一人群标识规则对所述第一密切接触人群进行标识,获得第一标识人群;
S1133:通过对所述第一标识人群进行历史行为信息采集输入心理评估模型中,根据所述心理评估模型,获得第一心理健康等级;
S1134:根据所述第一心理健康等级提取第一隐患接触人群;
S1135:根据所述第一隐患接触人群,获得第一恶意传播风险系数;
S1136:根据所述第一恶意传播风险系数,获得所述第三传播影响因子。
具体而言,所述第一人群标识规则指的是对所述第一密切接触人群进行心理测试,并依据测试结果对所述第一密切接触人群进行心理健康等级标识,具体的测试过程已有成熟技术,在此不做限定;所述第一标识人群即为标识之后的所述第一密切接触人群。更进一步的,所述第一心理健康等级是将所述第一标识人群进行历史行为信息输入所述心理评估模型智能化分析得到所述第一标识人群心理健康等级的评估结果,所述心理评估模型是以神经网络模型为基础建立,具有神经网络模型的特性,其中,人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反映人脑结构及功能的一种抽象数学模型,神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型建立的所述心理评估模型能够输出准确的所述第一心理健康等级,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。
更进一步的,所述第一隐患接触人群指的是基于所述第一心理健康等级,筛选出的所述第一心理健康不符合要求的人群;所述第一恶意传播风险系数指的是,基于所述第一隐患接触人群的心理状态,和精神稳定状况,推理得到其可能恶意传播传染病的概率大小,精神状态越不稳定,则恶意传播的概率越大,将所有的所述第一恶意传播风险系数组成所述第三传播影响因子。
进一步的,基于所述根据所述第一隐患接触人群,获得第一恶意传播风险系数,所述方法步骤S1135还包括:
S11351:获得第一传染病信息;
S11352:根据所述第一传染病信息,获得第一传播方式和第一传播率;
S11353:通过对所述第一传播方式和所述第一传播率进行指数分析,获得第一恶意控制系数;
S11354:根据所述第一恶意控制系数对所述第一恶意传播风险系数修正,获得第二恶意传播风险系数。
具体而言,所述第一传染病信息指的是需要研究控制的疾病基本信息,包括但不限于:所述第一传播方式和所述第一传播率等信息。进一步的,通过对所述第一传染病的病毒进行分析,得到基于所述第一传播方式的自然传播率;所述第一恶意控制系数指的是将基于所述第一传播方式的所述第一传播率和自然传播率比较,得到的表征二者传播速度差异的参数。更进一步,若是所述第一传播率低于自然传播率,则降低所述第一恶意传播风险系数,反之则增高所述第一恶意传播风险系数,得到的新的恶意传播风险系数即为所述第二恶意传播风险系数。所述第二恶意传播风险系数根据传播速度评估是否存在恶意传播,相对所述第一恶意传播风险系数依据心理状态评估更加全面。
进一步的,基于所述根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点,如图4所示,所述方法还包括步骤S1200:
S1210:通过对所述多个传染聚集点的聚集点进行标记,确定第一聚集点第一行动路径特征标签;
S1220:根据所述第一行动路径标签,对所述第一聚集点的接触人群进行标签传播算法计算,获得第一预测路径;
S1230:根据所述第一预测路径,生成第一路径重合度;
S1240:根据所述第一路径重合度,获得第二提醒信息。
具体而言,所述第一聚集点第一行动路径特征标签指的是对所述多个传染聚集点的各个路径进行标记,将路径进行分类,便于计算机识别;
进一步的,所述标签传播算法指的是基于图的半监督学习方法,基本思路是从已标记的节点的标签信息来预测未标记的节点的标签信息,利用样本间的关系,建立完全图模型。每个节点标签按相似度传播给相邻节点,在节点传播的每一步,每个节点根据相邻节点的标签来更新自己的标签,与该节点相似度越大,其相邻节点对其标注的影响权值越大,相似节点的标签越趋于一致,其标签就越容易传播。在标签传播过程中,保持已标记的数据的标签不变,使其将标签传给未标注的数据。最终当迭代结束时,相似节点的概率分布趋于相似,可以划分到一类中。所述第一预测路径即为通过所述标签传播算法计算得到的接触人群可能行动路径。更进一步,所述第一路径重合度指的是将所有的所述第一预测路径相比较得到路径重复较高的所述第一预测路径,此时因为这些路径上有行动轨迹的接触人群感染风险较大,所以需要发出所述第二提醒信息,提醒此类人群具有较高感染风险。
进一步的,基于通过对所述第一标识人群进行历史行为信息采集输入心理评估模型中,根据所述心理评估模型,获得第一心理健康等级,所述方法步骤S1133还包括:
S11331:根据所述第一标识人群的历史行为信息,获得第一心理卷积特征;
S11332:将所述第一心理卷积特征作为第一输入信息输入所述心理评估模型中;
S11334:所述心理评估模型通过多组数据训练获得,所述多组数据包括所述第一心理卷积特征和标识心理健康等级的标识信息;
S11335:获得所述心理评估模型的第一输出结果,所述第一输出结果为所述第一心理健康等级。
具体而言,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,对所述第一标识人群的历史行为信息进行卷积特征提取,获得所述第一心理卷积特征,更进一步的,所述心理评估模型也为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。其中,它能根据训练数据进行不断的自我训练学习,所述心理评估模型通过多组数据训练获得,所述多组数据包括所述第一心理卷积特征和标识心理健康等级的标识信息。所述心理评估模型不断地自我的修正,当所述心理评估模型的输出信息达到预定的准确率/收敛状态时,则有监督学习过程结束。通过对所述心理评估模型进行数据训练,使得所述心理评估模型处理输入数据更加准确,进而使得输出的所述第一心理健康等级信息也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
综上所述,本申请实施例所提供的一种基于物联网感知的传染传播预测方法及系统具有如下技术效果:
1、由于采用了根据第一信息采集模块,获得第一地区的第一密切接触人群信息;通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;根据所述第一预测信息,获得第一传播信息的技术方案,通过调用并存储密切接触人群的位置和社交关系,根据密切接触人群的行动轨迹进行分析,得到多个传染聚集点并构建分布特征,进而利用ARIMA模型对分布特征进行分析,得到预测的传播信息,最后依据预测结果进行预防。因为利用群体协作将各感知设备有机协调起来,并利用智能化模型对传播途径进行预测,达到了得到感知速度和感知准确性较高的技术效果。
2、通过利用所述传播深度将所述第一密切接触人群分层级,一者对于传染疾病的防治而言,更具有针对性,效果会更好;二者对于数据处理而言,简化了需要处理的信息数据量,提高了处理效率。
实施例二
基于与前述实施例中一种基于物联网感知的传染传播预测方法相同的发明构思,如图5所示,本申请实施例提供了一种基于物联网感知的传染传播预测系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于根据第一信息采集模块,获得第一地区的第一密切接触人群信息;
第二获得单元12,所述第二获得单元12用于通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;
第三获得单元13,所述第三获得单元13用于通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;
第一构建单元14,所述第一构建单元14用于根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;
第四获得单元15,所述第四获得单元15用于根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;
第五获得单元16,所述第五获得单元16用于根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;
第一确定单元17,所述第一确定单元17用于通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;
第六获得单元18,所述第六获得单元18用于根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;
第七获得单元19,所述第七获得单元19用于根据所述第一预测信息,获得第一传播信息。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于获得所述第一地区的第一人口分布特征;
第一确定单元,所述第一确定单元用于根据所述第一人口分布特征,确定第一传播影响因子;
第九获得单元,所述第九获得单元用于获得所述第一地区的第一区域结构特征;
第二确定单元,所述第二确定单元用于根据所述第一区域结构特征,确定第二传播影响因子;
第十获得单元,所述第十获得单元用于根据所述第一传播影响因子和所述第二传播影响因子对所述第一预测信息进行修正,获得第二预测信息。
进一步的,所述系统还包括:
第一生成单元,所述第一生成单元用于通过对所述第一密切接触人群按照传播深度进行划分,生成多层级接触人群;
第十一获得单元,所述第十一获得单元用于通过对所述多层级接触人群中的每一层级的接触人群进行数量分析,获得第一传播趋势;
第十二获得单元,所述第十二获得单元用于根据所述第一传播趋势和第三传播影响因子,获得第二传播趋势;
第一判断单元,所述第一判断单元用于判断所述第二传播趋势是否处于预设传播趋势阈值中;
第十三获得单元,所述第十三获得单元用于若所述第二传播趋势不处于预设传播趋势阈值中,获得第一提醒信息。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于获得第一人群标识规则;
第十五获得单元,所述第十五获得单元用于按照所述第一人群标识规则对所述第一密切接触人群进行标识,获得第一标识人群;
第十六获得单元,所述第十六获得单元用于通过对所述第一标识人群进行历史行为信息采集输入心理评估模型中,根据所述心理评估模型,获得第一心理健康等级;
第一提取单元,所述第一提取单元用于根据所述第一心理健康等级提取第一隐患接触人群;
第十七获得单元,所述第十七获得单元用于根据所述第一隐患接触人群,获得第一恶意传播风险系数;
第十八获得单元,所述第十八获得单元用于根据所述第一恶意传播风险系数,获得所述第三传播影响因子。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于获得第一传染病信息;
第二十获得单元,所述第二十获得单元用于根据所述第一传染病信息,获得第一传播方式和第一传播率;
第二十一获得单元,所述第二十一获得单元用于通过对所述第一传播方式和所述第一传播率进行指数分析,获得第一恶意控制系数;
第二十二获得单元,所述第二十二获得单元用于根据所述第一恶意控制系数对所述第一恶意传播风险系数修正,获得第二恶意传播风险系数。
进一步的,所述系统还包括:
第三确定单元,所述第二确定单元用于通过对所述多个传染聚集点的聚集点进行标记,确定第一聚集点第一行动路径特征标签;
第二十三获得单元,所述第二十三获得单元用于根据所述第一行动路径标签,对所述第一聚集点的接触人群进行标签传播算法计算,获得第一预测路径;
第二生成单元,所述第二生成单元用于根据所述第一预测路径,生成第一路径重合度;
第二十四获得单元,所述第二十四获得单元用于根据所述第一路径重合度,获得第二提醒信息。
进一步的,所述系统还包括:
第二十五获得单元,所述第二十五获得单元用于根据所述第一标识人群的历史行为信息,获得第一心理卷积特征;
第一输入单元,所述第一输入单元用于将所述第一心理卷积特征作为第一输入信息输入所述心理评估模型中;
第一训练单元,所述第一训练单元用于所述心理评估模型通过多组数据训练获得,所述多组数据包括所述第一心理卷积特征和标识心理健康等级的标识信息;
第一输出单元,所述第一输出单元用于获得所述心理评估模型的第一输出结果,所述第一输出结果为所述第一心理健康等级。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备,
基于与前述实施例中一种基于物联网感知的传染传播预测方法相同的发明构思,本申请实施例还提供了一种基于物联网感知的传染传播预测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable readonly memory,EEPROM)、只读光盘(compactdisc readonly memory,CDROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于物联网感知的传染传播预测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种骨科植入物的智能管理方法,其中,所述方法包括:获得第一患者的病情信息;获得所述第一患者的手术信息,所述手术信息包括手术时间、主刀医生、手术内容;构建骨科植入物调用分析模型;根据所述第一患者的病情信息和所述手术信息在所述骨科植入物调用分析模型进行分析,获得第一植入物,其中,所述第一植入物对应第一编号,所述第一编号包括所述第一植入物的类型、型号、厂家信息;根据所述手术信息,获得所述第一植入物的需求数量信息和手术时间;获得第一备料信息;根据所述第一备料信息在所述手术时间之前的预定时间内准备所述需求数量信息的所述第一植入物。达到了通过结合患者病情手术信息,基于智能化模型分析得到适配植入物,进一步根据手术时间进行备料,智能管理增强了整体的协调性,通过大数据训练的智能化模型的决策稳定性更强,不适配性风险较低的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a b,ac,bc,或abc,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CDROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于物联网感知的传染传播预测方法,其中,所述方法应用于一种地区性传染人群智能分析系统,所述系统包括一信息采集模块,所述方法包括:
根据第一信息采集模块,获得第一地区的第一密切接触人群信息;
通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;
通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;
根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;
根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;
根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;
通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;
根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;
根据所述第一预测信息,获得第一传播信息。
2.如权利要求1所述的方法,其中,所述根据所述第一预测信息,获得第一传播信息,所述方法还包括:
获得所述第一地区的第一人口分布特征;
根据所述第一人口分布特征,确定第一传播影响因子;
获得所述第一地区的第一区域结构特征;
根据所述第一区域结构特征,确定第二传播影响因子;
根据所述第一传播影响因子和所述第二传播影响因子对所述第一预测信息进行修正,获得第二预测信息。
3.如权利要求1所述的方法,其中,所述根据第一信息采集模块,获得第一地区的第一密切接触人群信息之后,所述方法还包括:
通过对所述第一密切接触人群按照传播深度进行划分,生成多层级接触人群;
通过对所述多层级接触人群中的每一层级的接触人群进行数量分析,获得第一传播趋势;
根据所述第一传播趋势和第三传播影响因子,获得第二传播趋势;
判断所述第二传播趋势是否处于预设传播趋势阈值中;
若所述第二传播趋势不处于预设传播趋势阈值中,获得第一提醒信息。
4.如权利要求3所述的方法,其中,所述根据所述第一传播趋势和第三传播影响因子,获得第二传播趋势,所述方法还包括:
获得第一人群标识规则;
按照所述第一人群标识规则对所述第一密切接触人群进行标识,获得第一标识人群;
通过对所述第一标识人群进行历史行为信息采集输入心理评估模型中,根据所述心理评估模型,获得第一心理健康等级;
根据所述第一心理健康等级提取第一隐患接触人群;
根据所述第一隐患接触人群,获得第一恶意传播风险系数;
根据所述第一恶意传播风险系数,获得所述第三传播影响因子。
5.如权利要求4所述的方法,其中,所述根据所述第一隐患接触人群,获得第一恶意传播风险系数,所述方法还包括:
获得第一传染病信息;
根据所述第一传染病信息,获得第一传播方式和第一传播率;
通过对所述第一传播方式和所述第一传播率进行指数分析,获得第一恶意控制系数;
根据所述第一恶意控制系数对所述第一恶意传播风险系数修正,获得第二恶意传播风险系数。
6.如权利要求1所述的方法,所述根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点,所述方法还包括:
通过对所述多个传染聚集点的聚集点进行标记,确定第一聚集点第一行动路径特征标签;
根据所述第一行动路径标签,对所述第一聚集点的接触人群进行标签传播算法计算,获得第一预测路径;
根据所述第一预测路径,生成第一路径重合度;
根据所述第一路径重合度,获得第二提醒信息。
7.如权利要求4所述的方法,其中,通过对所述第一标识人群进行历史行为信息采集输入心理评估模型中,根据所述心理评估模型,获得第一心理健康等级,所述方法还包括:
根据所述第一标识人群的历史行为信息,获得第一心理卷积特征;
将所述第一心理卷积特征作为第一输入信息输入所述心理评估模型中;
所述心理评估模型通过多组数据训练获得,所述多组数据包括所述第一心理卷积特征和标识心理健康等级的标识信息;
获得所述心理评估模型的第一输出结果,所述第一输出结果为所述第一心理健康等级。
8.一种基于物联网感知的传染传播预测系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于根据第一信息采集模块,获得第一地区的第一密切接触人群信息;
第二获得单元,所述第二获得单元用于通过对所述第一密切接触人群进行区域实时定位,获得第一定位感知信息;
第三获得单元,所述第三获得单元用于通过对所述第一密切接触人群进行社交关系分析,获得第一社交感知信息;
第一构建单元,所述第一构建单元用于根据所述第一定位感知信息和所述第一社交感知信息,构建物联网感知模型,其中,所述物联网感知模型包括第一预处理功能;
第四获得单元,所述第四获得单元用于根据所述物联网感知模型输出的第一输出感知信息,获得第一行动轨迹,所述第一行动轨迹为感染者行动轨迹;
第五获得单元,所述第五获得单元用于根据所述第一行动轨迹,将所述第一密切接触人群进行反聚集分析,获得多个传染聚集点;
第一确定单元,所述第一确定单元用于通过对所述多个传染聚集点进行传染聚集点分析和传染时间点分析,确定第一聚集分布特征第一时间分布特征;
第六获得单元,所述第六获得单元用于根据ARIMA模型对所述第一聚集分布特征和所述第一时间分布特征进行预测,获得第一预测信息;
第七获得单元,所述第七获得单元用于根据所述第一预测信息,获得第一传播信息。
9.一种基于物联网感知的传染传播预测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366403.4A CN114068036B (zh) | 2021-11-18 | 2021-11-18 | 一种基于物联网感知的传染传播预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366403.4A CN114068036B (zh) | 2021-11-18 | 2021-11-18 | 一种基于物联网感知的传染传播预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114068036A true CN114068036A (zh) | 2022-02-18 |
CN114068036B CN114068036B (zh) | 2023-02-28 |
Family
ID=80278220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111366403.4A Active CN114068036B (zh) | 2021-11-18 | 2021-11-18 | 一种基于物联网感知的传染传播预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114068036B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116682574A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
CN112866945A (zh) * | 2021-01-11 | 2021-05-28 | 成戍 | 一种基于传感器网络及大数据分析的传染病防控追溯系统 |
KR102268157B1 (ko) * | 2021-01-05 | 2021-06-22 | 주식회사 데이터사이언스랩 | 감염병에 대한 고위험지역 예측 방법 및 장치 |
US20210304900A1 (en) * | 2020-03-31 | 2021-09-30 | South University Of Science And Technology Of China | Method and apparatus for predicting transmission of an infectious disease, computer apparatus and storage medium |
WO2021196152A1 (zh) * | 2020-04-01 | 2021-10-07 | 中国科学院深圳先进技术研究院 | 城市内部传染病扩散模拟方法、系统及电子设备 |
-
2021
- 2021-11-18 CN CN202111366403.4A patent/CN114068036B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210304900A1 (en) * | 2020-03-31 | 2021-09-30 | South University Of Science And Technology Of China | Method and apparatus for predicting transmission of an infectious disease, computer apparatus and storage medium |
WO2021196152A1 (zh) * | 2020-04-01 | 2021-10-07 | 中国科学院深圳先进技术研究院 | 城市内部传染病扩散模拟方法、系统及电子设备 |
KR102268157B1 (ko) * | 2021-01-05 | 2021-06-22 | 주식회사 데이터사이언스랩 | 감염병에 대한 고위험지역 예측 방법 및 장치 |
CN112866945A (zh) * | 2021-01-11 | 2021-05-28 | 成戍 | 一种基于传感器网络及大数据分析的传染病防控追溯系统 |
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116682574A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
CN116682574B (zh) * | 2023-08-03 | 2023-11-24 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114068036B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohammed et al. | Benchmarking methodology for selection of optimal COVID-19 diagnostic model based on entropy and TOPSIS methods | |
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
Pathan et al. | Identifying stroke indicators using rough sets | |
CN110610767A (zh) | 发病率监测方法、装置、设备及存储介质 | |
CN109801687B (zh) | 一种面向健康领域的因果关系知识库的构建方法和系统 | |
CN113095365A (zh) | 医疗保险违规数据识别方法及装置 | |
Hosseinpour et al. | A hybrid high‐order type‐2 FCM improved random forest classification method for breast cancer risk assessment | |
RU2607977C1 (ru) | Способ создания модели объекта | |
CN114068036B (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
AlZubi | RETRACTED ARTICLE: Big data analytic diabetics using map reduce and classification techniques | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN114330482A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
Marques et al. | Prediction for decision support during the COVID-19 pandemic | |
Elezaj et al. | Data-driven machine learning approach for predicting missing values in large data sets: A comparison study | |
CN113936804B (zh) | 一种肺癌切除术后持续漏气风险预测模型构建系统 | |
Christal et al. | Heart diseases diagnosis using chaotic Harris Hawk optimization with E-CNN for IoMT framework | |
Hrimov et al. | Classification of diabetes disease using logistic regression method | |
Rao et al. | Extracting Insights and Prognosis of Corona Disease | |
CN117476250B (zh) | 基于多目标跟踪的流行病调查预测方法、装置及可读介质 | |
Vélez Sánchez et al. | Machine Learning: A Tool for Formulating Tracking Strategies for Covid-19 Pandemic in Colombia | |
US20240079142A1 (en) | A system and method to predict health outcomes and optimize health interventions | |
Dhanalakshmi et al. | Health Information Broadcast Distributed Pattern Association based on Estimated Volume | |
Sahoo | Study on the ANN Forecasting of Epidemical Diseases | |
Afiyah et al. | Comparison Performance of C4. 5, Naïve Bayes and K-Nearest Neighbor in Determination Drug Rehabilitation | |
Sravani et al. | Analysis of COVID-19 Using Machine Learning & Data Science Technologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |